【FLINK学习笔记】FLINK时间语义

一、Flink时间语义

对于流式数据处理，最大的特点是数据上具有时间的属性特征，Flimk 根据时间产生的位置不同，将时间区分为三种时间语义，分别为事件生成时间（Event Time）、事件接入时间（Ingestion Time）和事件处理时间（Processing Time）。

• Event Time：事件产生的时间，它通常由事件中的时间戳描述。
• Ingestion Time：事件进入 Flink 的时间。
• Processing Time：事件被处理时当前系统的时间。

1.1设置时间语义

在 Flink 中默认情况下使用是 Process Time 时间语义，如果用户选择使用 Event Time或 者 Ingestion Time 语 义 ， 则 需 要 在 创 建 的 StreamExecutionEnvironment 中 调 用setStreamTimeCharacteristic() 方 法 设 定 系 统 的 时 间 概 念 ， 如 下 代 码 使 用TimeCharacteristic.EventTime 作为系统的时间语义：

//设置使用EventTime
streamEnv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
//设置使用IngestionTime
streamEnv.setStreamTimeCharacteristic(TimeCharacteristic.IngestionTime)

注意：但是上面的代码还没有指定具体的时间到底是什么值，所以后面还有代码需要设置！

1.2WaterMark 水位线

在使用 EventTime 处理 Stream 数据的时候会遇到数据乱序的问题，流处理从 Event（事件）产生，流经 Source，再到 Operator，这中间需要一定的时间。虽然大部分情况下，传输到 Operator 的数据都是按照事件产生的时间顺序来的，但是也不排除由于网络延迟等原因而导致乱序的产生，特别是使用 Kafka 的时候，多个分区之间的数据无法保证有序。因此，在进行 Window 计算的时候，不能无限期地等下去，必须要有个机制来保证在特定的时间后，必须触发 Window 进行计算，这个特别的机制就是 Watermark（水位线）。Watermark 是用于处理乱序事件的。

1.3Watermark 原理

在 Flink 的窗口处理过程中，如果确定全部数据到达，就可以对 Window 的所有数据做窗口计算操作（如汇总、分组等），如果数据没有全部到达，则继续等待该窗口中的数据全部到达才开始处理。这种情况下就需要用到水位线（WaterMarks）机制，它能够衡量数据处理进度（表达数据到达的完整性），保证事件数据（全部）到达 Flink 系统，或者在乱序及延迟到达时，也能够像预期一样计算出正确并且连续的结果。当任何 Event 进入到 Flink系统时，会根据当前最大事件时间产生 Watermarks 时间戳。那么 Flink 是怎么计算 Watermak 的值呢？

Watermark = = 进入 Flink 的最大的事件时间（ mxtEventTime ）— 指定的延迟时间（t）

那么有 Watermark 的 Window 是怎么触发窗口函数的呢？

如果有窗口的停止时间等于或者小于 e maxEventTime – t t （当时的 warkmark ），那么这个窗口被触发执行。
注意：Watermark 本质可以理解成一个延迟触发机制。

Watermark 的使用存在三种情况：

1. 本来有序的 Stream 中的 Watermark
   如果数据元素的事件时间是有序的，Watermark 时间戳会随着数据元素的事件时间按顺序生成，此时水位线的变化和事件时间保持一直（因为既然是有序的时间，就不需要设置延迟了，那么 t 就是 0。所以watermark=maxtime-0 = maxtime），也就是理想状态下的水位线。当 Watermark 时间大于 Windows 结束时间就会触发对 Windows 的数据计算，以此类推，下一个 Window 也是一样。
2. 乱序事件中的 Watermark
   现实情况下数据元素往往并不是按照其产生顺序接入到 Flink 系统中进行处理，而频繁出现乱序或迟到的情况，这种情况就需要使用 Watermarks 来应对
3. 并行数据流中的 Watermark
   在多并行度的情况下，Watermark 会有一个对齐机制，这个对齐机制会取所有 Channel中最小的 Watermark。

1.4引入 Watermark 和 和 EventTime

1.4.1有序数据流中引入 Watermark 和 EventTime

对于有序的数据，代码比较简洁，主要需要从源 Event 中抽取 EventTime。

//读取文件数据
val data = streamEnv.socketTextStream("hadoop101",8888)
.map(line=>{
var arr =line.split(",")
new StationLog(arr(0).trim,arr(1).trim,arr(2).trim,arr(3).trim,arr(4).trim.toLong,arr(5).trim.toLong)
})
//根据EventTime有序的数据流
data.assignAscendingTimestamps(_.callTime)
//StationLog对象中抽取EventTime就是callTime属性

1.4.2乱序序数据流中引入 Watermark 和 EventTime

对于乱序数据流，有两种常见的引入方法：周期性和间断性。

With Periodic（周期性的） Watermark
周期性地生成 Watermark 的生成，默认是 100ms。每隔 N 毫秒自动向流里注入一个Watermark，时间间隔由 streamEnv.getConfig.setAutoWatermarkInterval()决定。最简单的写法如下：

//读取文件数据
val data = streamEnv.socketTextStream("hadoop101",8888)
  .map(line=>{
    var arr =line.split(",")
    new StationLog(arr(0).trim,arr(1).trim,arr(2).trim,arr(3).trim,arr(4).trim.toLong,arr(5).trim.toLong)
  })
//如果EventTime是乱序的，需要考虑一个延迟时间t
//当前代码设置的延迟时间为3秒
data.assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[StationLog](Time.seconds(3)) //延迟时间
{
  override def extractTimestamp(element: StationLog) = {
    element.callTime //设置EventTime的值
  }
})

另外还有一种复杂的写法：

//读取文件数据
val data = streamEnv.socketTextStream("hadoop101",8888)
  .map(line=>{
    var arr =line.split(",")
    new StationLog(arr(0).trim,arr(1).trim,arr(2).trim,arr(3).trim,arr(4).trim.toLong,arr(5).trim.toLong)
  })
//如果EventTime是乱序的，需要考虑一个延迟时间t
//当前代码设置的延迟时间为3秒
data.assignTimestampsAndWatermarks(
  new MyCustomerPeriodicWatermark(3000L)) //自定义延迟3秒
}
class MyCustomerPeriodicWatermark(delay: Long) extends
  AssignerWithPeriodicWatermarks[StationLog]{
  var maxTime :Long=0
  override def getCurrentWatermark: Watermark = {
    new Watermark(maxTime-delay) //创建水位线
  }
  override def extractTimestamp(element: StationLog, previousElementTimestamp: Long): Long = {
    maxTime=maxTime.max(element.callTime) //maxtime永远是最大值
    element.callTime
  }
}

With Punctuated（间断性的） Watermark

间断性的生成 Watermark 一般是基于某些事件触发 Watermark 的生成和发送，比如：在我们的基站数据中，有一个基站的 CallTime 总是没有按照顺序传入，其他基站的时间都是正常的，那我们需要对这个基站来专门生成 Watermark。

//读取文件数据
val data = streamEnv.socketTextStream("hadoop101",8888)
  .map(line=>{
    var arr =line.split(",")
    new StationLog(arr(0).trim,arr(1).trim,arr(2).trim,arr(3).trim,arr(4).trim.toLong,arr(5).trim.toLong)
  })
//只有station_1的EventTime是无序的，所以只需要针对station_1做处理
//当前代码设置station_1基站的延迟处理时间为3秒
data.assignTimestampsAndWatermarks(
  new MyCustomerPunctuatedWatermarks(3000L)) //自定义延迟
｝
class MyCustomerPunctuatedWatermarks(delay:Long) extends
  AssignerWithPunctuatedWatermarks[StationLog]{
  var maxTime :Long=0
  override def checkAndGetNextWatermark(element: StationLog,
                                        extractedTimestamp: Long): Watermark = {
    if(element.sid.equals("station_1")){//当基站ID为:station_1 才生成水位线
      maxTime =maxTime.max(extractedTimestamp)
      new Watermark(maxTime-delay)
    }else{
      return null //其他情况下不返回水位线
    }
  }
  override def extractTimestamp(element: StationLog, previousElementTimestamp:
  Long): Long = {
    element.callTime //抽取EventTime的值
  }
}

二、Watermark 案例

2.1案例1

需求：每隔 5 秒中统计一下最近 10 秒内每个基站中通话时间最长的一次通话发生的呼叫时间、主叫号码，被叫号码，通话时长。并且还得告诉我到底是哪个时间范围（10 秒）内的。

注意：基站日志数据传入的时候是无序的，通过观察发现时间最多延迟了 3 秒。

/**
* 每隔5秒中统计一下最近10秒内每个基站中通话时间最长的一次通话发生的
  * 呼叫时间、主叫号码，被叫号码，通话时长。
* 并且还得告诉我到底是哪个时间范围（10秒）内的。
*/
object MaxLongCallTime {
  def main(args: Array[String]): Unit = {
    //初始化Flink的Streaming（流计算）上下文执行环境
    val streamEnv: StreamExecutionEnvironment =
      StreamExecutionEnvironment.getExecutionEnvironment
    streamEnv.setParallelism(1)
    streamEnv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
    //导入隐式转换，建议写在这里，可以防止IDEA代码提示出错的问题
    import org.apache.flink.streaming.api.scala._
    //读取文件数据
    val data = streamEnv.socketTextStream("hadoop101",8888)
      .map(line=>{
        var arr =line.split(",")
        new StationLog(arr(0).trim,arr(1).trim,arr(2).trim,arr(3).trim,arr(4).trim.toLong,arr(5).trim.to Long)
      })
      .assignTimestampsAndWatermarks( //引入Watermark
        new BoundedOutOfOrdernessTimestampExtractor[StationLog](Time.seconds(3)){//延迟3秒
          override def extractTimestamp(element: StationLog) = {
            element.callTime
          }
        })
    //分组，开窗处理
    data.keyBy(_.sid)
      .timeWindow(Time.seconds(10),Time.seconds(5))
    //reduce 函数做增量聚合 ,MaxTimeAggregate能做到来一条数据处理一条，
    //ReturnMaxTime 在窗口触发的时候调用
      .reduce(new MaxTimeReduce,new ReturnMaxTime)
      .print()
    streamEnv.execute()
  }
  class MaxTimeReduce extends ReduceFunction[StationLog]{
    override def reduce(t: StationLog, t1: StationLog): StationLog = {
      //通话时间比较
      if(t.duration > t1.duration) t else t1
    }
  }
  class ReturnMaxTime extends
    WindowFunction[StationLog,String,String,TimeWindow]{
    override def apply(key: String, window: TimeWindow, input: Iterable[StationLog],
                       out: Collector[String]): Unit = {
      var sb =new StringBuilder
      sb.append("窗口范围是：").append(window.getStart).append("----").append(window.getEnd)
      sb.append("\n")
      sb.append("通话日志:").append(input.iterator.next())
      out.collect(sb.toString())
    }
  }
}

测流：
注意：如果有 k Watermark 同时也有 d Allowed Lateness 。那么窗口函数再次触发的条件是：k watermark < < w end-of-window + + allowedLateness

2.2案例2

案例：每隔 5 秒统计最近 10 秒，每个基站的呼叫数量。要求：
1、每个基站的数据会存在乱序
2、大多数数据延迟 2 秒到，但是有些数据迟到时间比较长
3、迟到时间超过两秒的数据不能丢弃，放入侧流

object LateDataOnWindow {
  def main(args: Array[String]): Unit = {
    //初始化Flink的Streaming（流计算）上下文执行环境
    val streamEnv: StreamExecutionEnvironment =
      StreamExecutionEnvironment.getExecutionEnvironment
    streamEnv.setParallelism(1)
    streamEnv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
    //导入隐式转换，建议写在这里，可以防止IDEA代码提示出错的问题
    import org.apache.flink.streaming.api.scala._
    //读取文件数据
    val data = streamEnv.socketTextStream("hadoop101",8888)
      .map(line=>{
        var arr =line.split(",")
        new StationLog(arr(0).trim,arr(1).trim,arr(2).trim,arr(3).trim,arr(4).trim.toLong,arr(5).trim.toLong)
      })
      .assignTimestampsAndWatermarks( //引入Watermark
        new BoundedOutOfOrdernessTimestampExtractor[StationLog](Time.seconds(2)){//延迟2秒
          override def extractTimestamp(element: StationLog) = {
            element.callTime
          }
        })
    84
    //分组，开窗处理
    //定义一个侧输出流 的标签
    var lateTag =new OutputTag[StationLog]("late")
    val mainStream: DataStream[String] = data.keyBy(_.sid)
      .timeWindow(Time.seconds(10), Time.seconds(5))
      //注意：只要符合watermark < end-of-window + allowedLateness之内到达的数据，都会被再次触发窗口的计算
      //超过之外的迟到数据会被放入侧输出流
      .allowedLateness(Time.seconds(5)) //允许数据迟到5秒
      .sideOutputLateData(lateTag)
      .aggregate(new AggregateCount, new OutputResult)
    mainStream.getSideOutput(lateTag).print("late")//迟到很久的数据可以另外再处理
    mainStream.print("main")
    streamEnv.execute()
  }
  class AggregateCount extends AggregateFunction[StationLog,Long,Long]{
    override def createAccumulator(): Long = 0
    override def add(in: StationLog, acc: Long): Long = acc+1
    override def getResult(acc: Long): Long = acc
    override def merge(acc: Long, acc1: Long): Long = acc+acc1
  }
  class OutputResult extends WindowFunction[Long,String,String,TimeWindow]{
    override def apply(key: String, window: TimeWindow, input: Iterable[Long], out:
    Collector[String]): Unit = {
      var sb =new StringBuilder
      sb.append("窗口范围是：").append(window.getStart).append("----").append(window.getEnd)
      sb.append("\n")
      sb.append("当前基站是：").append(key)
        .append(" 呼叫数量是: ").append(input.iterator.next())
      out.collect(sb.toString())
    }
  }
}